一种模糊逻辑系统的快速学习算法

本文提出了一种模糊逻辑系统的快速学习算法．算法要求预先确定各输入变量上模 糊集合的数目及分布;模糊规则前件可以是任意形状的模糊集合,后件则必须采用单值模糊 集合;模糊推理采用乘积推理;解模糊方法采用Tsukamoto方法．算法由输入－输出数据对 提取模糊规则．模糊规则的后件采用最小二乘方法一次计算得出．本算法对目标对象的逼近 精度取决于输入参数上模糊集合的数目,数目越多,精度越高．算法所需计算量小．     

多级模糊控制的月球车避障研究

针对月球车这个MIMO系统,考虑其在未知环境下的避障问题,设计了一个多级模糊控制器,将输入变量分组设计子模糊作为第1级,再将第1级的输出作为第2级的输入变量设计第2级子模糊系统,最后控制系统输出平移速度和角速度。这样就避免了常规模糊系统中规则数目过大和设计繁琐问题,提高了整个控制系统的性能。该控制器模糊规则数量少,控制方法简单,响应速度快。最后的实验证明了该方法的有效性。     

一种复杂模糊系统生成方法

生成模糊系统传统方法的工作量往往随输入变量数的增长而爆炸性也增加，用于抽取模糊规则的神经网络的规模迅速地增加且能量的极小值点也迅速地增多。针对这一问题，本文发展了一种新的模糊系统生成方法，将复杂系统的模糊输入，输出关系分解成简单的模糊输入，输出关系叠加，采用了一种新的网络优化的方法－基于浮点编码的遗传算法来生成该系统。     

一种伸缩式三角形模糊集的研究

按照常规的设计方法,模糊控制系统的规则数量会随着输入变量数目的增加而呈指数性的增长.针对这一特点,引入了伸缩因子这一特征参数,研究了一种伸缩式三角形模糊集,根据系统不同控制区的灵敏度差异,通过改变模糊集的伸缩因子,动态调整模糊集的疏密度,从而灵活改变模糊集的划分;并在同样论域范围内,一定程度地减少规则数量,避免"规则爆炸"现象,提高系统的运行效率.将该模糊集划分方法运用于倒车入库的模糊控制中,其仿真结果表明了该方法的有效性.     

基于对象模型的自适应模糊专家控制系统

文中介绍了一个基于对象模型的自适应模糊专家控制系统。在该系统里,能动地机器人的行走装置进行模型化,建立了对象的模糊知识库,并根据自适应模糊控制的目标设计了推理机。系统无需铁数学模型,能根据输入、输出变量自动个性控制规则,达到优化控制钵文还介绍了对象模型的模糊知识表示方法和模糊知识库的结构以及对象模型的模糊控制推理。     

布尔型模糊系统逼近的充分条件

为了保证布尔模糊系统逼近定义在紧集上任意实值连续函数的逼近精度．给出一个估计布尔模糊系统的输入变量与输出变量各自需要构造的模糊集个数的公式,讨论如何设计布尔模糊系统．以便实现逼近任给的实值连续函数到需要的逼近精度．最后通过一个例子展示了如何设计布尔模糊系统来逼近所给的连续函数的具体方法．     

可理解模糊分类系统的分层演化学习

针对模糊系统的可理解性要求,结合微粒群算法和遗传算法各自的演化特点,采用两阶段学习策略,对模糊分类系统进行分层演化。首先利用微粒群算法优化各输入变量的语言值数目及对应的模糊集参数,形成候选规则集,再应用遗传算法选择规则,得到可理解的和精确的模糊分类系统。该方法几乎无需先验知识,可直接从实值数据获取模糊分类系统,应用典型分类问题为例说明其有效性。     

模糊模型的结构辨识

一、问题的描述考虑MISO模糊系统y(t)=x_1(t)ox_2(t)o…ox_n(t)oR,(1)其中y(·)为输出模糊变量;x(·)为输入模糊变量;R为基于参考模糊集合的模糊关系;“o”为基于参考模糊集合的合成算子;n为输入模糊变量的个数.模糊模型的辨识就是确定各模糊变量x_i(·),y(·)在其论域上参考模糊集合的隶属函数(即结构)和模糊关系     

基于模糊分类关联规则的分类系统

为了构建高性能的分类系统，应用模糊集软化数量型属性的划分边界，提出了模糊分类关联规则的挖掘算法。由于模糊集能很好地贴近人类的思维方式，因此挖掘得到的模糊分类关联规则易于被人理解．接着提出了基于模糊分类关联规则的分类系统，并采用遗传优化算法训练分类系统．实例分析的结果表明，基于模糊分类关联规则的分类系统具有较好的精度和可解释性．     

区间Type-2 T-S间接自适应模糊控制

本文在Type-1 T-S间接自适应模糊控制器的基础上,利用Type-2模糊系统理论,提出了区间Type-2 T-S间接自适应模糊控制器的设计方法.由于该系统的规则前件是区间Type-2模糊集合,后件为精确数,使构造的控制方法既具备Type-2模糊集处理诸多不确定性的特点,能够减少由于规则不确定对系统的影响,同时又具有T-S模糊模型后件为各输入变量的线性组合的特点,可以提高系统的建模精度,减少系统的规则数等优点.本文利用Lyapunov合成方法,研究了在所有变量一致有界的意义下,闭环系统的全局稳定性,分析了区间Type-2 T-S间接自适应模糊控制系统的收敛性,并给出了系统参数的自适应律.通过倒立摆跟踪模型进行仿真,验证其有效性和优越性.     

ON FUZZY INTERPOLATION*

Abstract

This note intends to discuss several connections between interpolative reasoning and fuzzy sets and the role played by the extension principle in this connection. It is first recalled how gradual rules can encode linear or non-linear interpolation between precisely known points and can exactly reconstruct any single-input monotonic real function when the membership functions of the fuzzy sets involved in the rules are suitably chosen. Then linear interpolation between fuzzy points is investigated. The interest of gradual rules as opposed to other approximation schemes is singled out.     

自学习模糊逻辑推理网络及模糊控制器的构成

提出了一种自学习模糊逻辑推理网络和自学习模糊控制器的构成方法.这种方法是 把RCE(Restricted Coulomb Energy)模型进行扩展.使其能够进行模糊逻辑推理,并用于构 成基于RCE模型的自学习模糊控制器RLFC(RCE—based Learning Fuzzy controller).这种 方法有以下特点:a)学习速度高.追加学习容易;b)网络的信息处理工作单元的个数由自学习 决定,通用性好;c)不存在局部极小点问题.自学习模糊控制器RLFC可以直接把熟练者的操 作知识转换成模糊控制规则,自动构成模糊控制器.数值仿真实验表明其效果良好.     

模糊元图及其特性分析

模糊图已被广泛地应用于系统的分析与建模。然而现有的结构不适合于分析元素集之间的有向模糊关系。文中讨论了一种新的模糊图论结论－－模糊元图,它描述的是集合而非单个元素之间的有向关系,具有很强的图形化描述功能和形式化分析能力。文中着重分析了模糊元图的特性,尤其是其邻近矩阵的特性,这是模糊元图研究与应用的基础,模糊元图在系统建模和模糊规则管理方面有着广阔的应用前景。     

一种高效的模糊规则自动生成方法

文中提出一种模糊规则自由生成方法。该方法借助Ｋ－Ｎｅａｒｅｓｔ－Ｎｅｉｇｈｂｏｒ的概念确定控制曲面的的关键点,然后根据关键点确定模糊划分,并由此构造模糊神经网络学习模糊规则。神经网络采用ＢＰ算法学习,在学习过程中可根据收剑情况适当增加模糊分区,并重构神经网络继续学习。该方法能生成较精简的规则集,并具有良好的收敛性和较快的收剑速度。     

一种快速模糊推理系统

提出一种新的模糊推理系统，其模糊知识库具有紧致模糊规则库，即规则集为仅存储规则后的完全规则集，推理过程中可以根据当前输入信号值直接寻址被激励的模糊规则，从而只是有选择地执行被激励的规则，其优点是可以提高模糊推理速度，减少规则库存储容量，针对模糊芯片的VLSI实现，提出了可以根据输入信号值直接寻址被激励规则的电路。     

基于TS模糊神经网络的Fuzzy规则自动获取研究

Fuzzy规则的获取一直是模糊智能系统的一个瓶颈。醉在深入研究TS模糊神经网络的物理意义的基础上,给出了使用遗传算法优化模糊规则集的算法并提出了从训练后的TS模糊神经网络中抽取Fuzzy规则的可操作方法。分析和实验证明,这种方法可以实现且是有效的,对于Fuzzy规则自动获取的研究具有积极的借鉴意义。     

基于海明距离的直觉模糊粗糙集相似度量方法

针对直觉模糊粗糙集的相似度量问题,提出了一种基于海明距离的直觉模糊粗糙集相似度量方法。首先给出了两个直觉模糊粗糙值问的相似度量方法,并揭示了它的若干重要性质。然后,在此基础上,又提出了一种基于海明距离的直觉模糊粗糙集相似度量方法,并证明它也具有同样的性质。最后用数值算例验证了这种方法的有效性。     

高速高精度平面并联机器人模糊自调整PID控制方法的研究

针对推力波动、负载变化等非线性因素对高速高精度平面并联机器人系统稳定时间的影响，本文设计了一种新颖的模糊自调整PID控制器：系统的位置偏差较大时，采用PI控制器，保证系统的平滑、稳定；当系统发出停止命令后，引入模糊增益参数自调整机构，加快静差消除．模糊增益参数调整机构采用“一维输入-二维输出”的推理结构，消除了参数调整中的“耦合影响”；为缩短整定时间，减少整定参数的数量，不同增益，误差E的模糊论域划分各不相同．经实验验证：引入该模糊自校正PID控制器后，机器人系统的稳定时间有显著改善．